嚴(yán)洪立 黃林南 高躍明? ?eljka Lu?ev VASI? Mario CIFREK

（1. 福州大學(xué) 物理與信息工程學(xué)院/福建省醫(yī)療器械和醫(yī)藥技術(shù)重點(diǎn)實(shí)驗(yàn)室，福建 福州 350108；2. 薩格勒布大學(xué) 電氣工程與計(jì)算學(xué)院，薩格勒布 10436）

肌肉約占人體體質(zhì)量的40%，是人體執(zhí)行自主或無意識(shí)動(dòng)作的關(guān)鍵組織。在外周神經(jīng)系統(tǒng)中，神經(jīng)肌肉的長期疲勞、缺損或病變，將導(dǎo)致多種功能障礙類疾病，如重癥肌無力［1］、肌肉萎縮［2］等。在康復(fù)領(lǐng)域中，基于肌肉失衡理論的治療方案，圍繞著恢復(fù)肌肉平衡、神經(jīng)傳導(dǎo)和運(yùn)動(dòng)感知展開［3］，這些信息都蘊(yùn)含于神經(jīng)肌肉狀態(tài)之中。因此，獲取神經(jīng)肌肉狀態(tài)信息對(duì)于臨床診斷和運(yùn)動(dòng)康復(fù)至關(guān)重要。

肌肉失衡的產(chǎn)生主要來源于重復(fù)的動(dòng)作、姿勢使肌肉長期承壓致?lián)p或神經(jīng)傳導(dǎo)障礙，長此以往將會(huì)引發(fā)病理性改變。肌肉失衡給人的直觀感受為肌肉疲勞、乏力和疼痛。常規(guī)檢測方式有神經(jīng)傳導(dǎo)檢查、肌電圖和超聲成像等［4-6］。神經(jīng)傳導(dǎo)檢查通過電刺激測量神經(jīng)本身或相關(guān)肌肉反應(yīng)，計(jì)算出傳導(dǎo)速度區(qū)分疾病類型。該方法易量化，但重復(fù)性不高。肌電圖采集運(yùn)動(dòng)單元?jiǎng)幼麟娢?，通過電位的時(shí)限和幅度差異來辨別疾病程度，依賴專業(yè)人員解讀，定量化評(píng)估較為復(fù)雜［7］。超聲成像通過測量肌肉形狀、大小和結(jié)構(gòu)變化來評(píng)估肌肉狀態(tài)，需要人工判斷，且肌肉狀態(tài)變化呈現(xiàn)需要一定的量變，無法實(shí)時(shí)評(píng)估。而臨床上急需能對(duì)肌肉狀態(tài)定量評(píng)估、高重復(fù)性，且靈活及時(shí)的檢測手段，用于康復(fù)治療跟蹤評(píng)估肌肉失衡進(jìn)程，及時(shí)反饋調(diào)整治療方案。

肌阻抗圖（EIM）是將阻抗測量值作為評(píng)估肌肉失衡和疾病程度、進(jìn)展與治療反應(yīng)的新型電生理技術(shù)［8］。在不誘發(fā)肌纖維或神經(jīng)元?jiǎng)幼麟娢坏那疤嵯?，EIM 由電極向目標(biāo)肌肉施加微弱高頻電流而測得電極間電壓。電流和電壓間的關(guān)系變化可反映肌肉狀態(tài)的外源性電傳導(dǎo)特性，由肌肉組織的電導(dǎo)率和相對(duì)介電常數(shù)決定，從而評(píng)估肌肉狀態(tài)。研究表明，經(jīng)EIM測得肌肉阻抗值變化能較好地反饋肌肉病變信息，肌肉阻抗值可用于肌肉疲勞、肌萎縮癥和肌營養(yǎng)不良癥等評(píng)估［5，8-11］，具有靈活、敏感等優(yōu)點(diǎn)。

EIM 的電極類型主要有針電極和表面電極兩類。針電極因其侵入式而不利于人體長期多次使用，適用于活體組織檢查。表面電極具有無創(chuàng)性和便攜性，已被廣泛應(yīng)用于人體檢測。表面電極貼敷于皮膚表面，受皮膚和脂肪等外界的影響較大，僅能記錄有限的肌肉阻抗?fàn)顩r，降低了對(duì)檢測肌肉狀態(tài)變化的敏感性?，F(xiàn)有研究主要通過改變表面電極形狀、優(yōu)化電極配置來改善表面肌阻抗圖（sEIM）的測量結(jié)果。Baidya等［12］使用有限元模型評(píng)估電極配置對(duì)sEIM 的影響，發(fā)現(xiàn)激勵(lì)電極間距越大，電流越有可能沿肌肉纖維分布。王劍楠等［13］通過配置并行和串行排列電極，開展肱二頭肌疲勞評(píng)估測試對(duì)照實(shí)驗(yàn)，發(fā)現(xiàn)并行排列電極的測量準(zhǔn)確度優(yōu)于串行排列電極，但受脂肪、皮膚等客觀因素的限制，測量精度的提升有限，仍難以解決重復(fù)性差問題。

為提升sEIM 對(duì)檢測目標(biāo)肌肉變化的敏感性，本文將sEIM 獲取的多層組織阻抗混合信號(hào)看作盲信號(hào)，肌肉層阻抗值作為源信號(hào)，把肌肉層阻抗值的提取等效為盲源分離問題。首先，以人體阻抗的電特性為基礎(chǔ)，構(gòu)建肢體多層圓柱體模型；然后，通過靈敏度分布仿真計(jì)算sEIM 阻抗混合信號(hào)中各組織層的阻抗貢獻(xiàn)，過濾皮膚和骨骼層干擾，將sEIM 阻抗混合信號(hào)成分等同于脂肪和肌肉層阻抗；最后，選取3種典型算法進(jìn)行盲源分離處理，通過數(shù)值仿真和在體實(shí)驗(yàn)，以相關(guān)系數(shù)、抗噪性、串音干擾和生物介電機(jī)制等評(píng)估各算法的可靠性，進(jìn)而選出一種適用于sEIM 阻抗混合信號(hào)中肌肉層阻抗分離的方法。

1 人體阻抗特性與分離方法

1.1 人體阻抗分析

人體阻抗具有顯著的頻率特性，而細(xì)胞結(jié)構(gòu)可將人體各組織簡化為三元件等效電路模型，如圖1所示，下角標(biāo)m、e和i分別代表細(xì)胞膜、細(xì)胞外液和細(xì)胞內(nèi)液。在低頻電流時(shí)，細(xì)胞膜阻抗極大，相當(dāng)于斷路，電流僅流經(jīng)細(xì)胞外液；隨著電流頻率的增大，細(xì)胞膜在中高頻段的阻抗逐漸減小，電流流經(jīng)細(xì)胞內(nèi)、外液。因此，人體阻抗特性隨電流頻率的變化呈現(xiàn)出電阻性或阻容性。

圖1 人體組織等效電路［9］Fig.1 Human tissue equivalent circuit

人體組織構(gòu)成復(fù)雜，典型組織有皮膚、脂肪、肌肉和骨骼，各組織層的阻抗特性存在差異，據(jù)Gabriel 等［14］的研究結(jié)果，生物各組織在不同頻率f下的介電特性參數(shù)（電導(dǎo)率σ和相對(duì)介電常數(shù)ε）如表1所示。

表1 生物組織的介電特性參數(shù)Table 1 Dielectric parameters of biological tissues

為探究sEIM 經(jīng)皮膚表面獲得阻抗混合信號(hào)成分比例，采用分層模型思想，在COMSOL Multiphysics 5.4 中，構(gòu)建長20 cm 的肢體多層圓柱體模型，如圖2所示。其骨骼、肌肉、脂肪的半徑r1、r2、r3分別為1.096、3.856、4.465 cm。根據(jù)解剖學(xué)中人體手臂皮膚的厚度小于0.2 cm，將皮膚厚度設(shè)為0.15 cm，各組織層的材料屬性σ和ε設(shè)置見表1。sEIM 的電極大小為4 cm×1 cm，厚1 mm，按照四電極排列法設(shè)置為排列模式1和模式2，各電極之間的距離如圖2所示，σ和ε分別設(shè)置5.0×105s/m和1.0。選用“自由四面體網(wǎng)格”劃分模型、BiCGSTAB 求解器，將外側(cè)兩個(gè)電極分別設(shè)置為懸浮電位和接地，懸浮電位的電流設(shè)為1 mA，另外兩個(gè)內(nèi)側(cè)電極設(shè)為邊界探針，探測內(nèi)側(cè)電極之間的電壓。

通過仿真繪制單頻點(diǎn)下sEIM 的阻抗靈敏度分布圖，獲得皮膚、脂肪、肌肉和骨骼的靈敏度分布值，可計(jì)算出各組織層對(duì)sEIM 測得阻抗值的阻抗貢獻(xiàn)率。生物阻抗對(duì)50 kHz的單頻激勵(lì)信號(hào)最為敏感，因此將仿真的頻點(diǎn)設(shè)置為1 kHz 和50 kHz，仿真結(jié)果如表2 所示，其中R、X分別為阻抗混合信號(hào)Z的實(shí)部和虛部。在1 kHz 頻點(diǎn)下，皮膚和骨骼層的阻抗貢獻(xiàn)率都小于1%，脂肪層阻抗貢獻(xiàn)率約為60%，肌肉層阻抗貢獻(xiàn)率約為40%；在50 kHz頻點(diǎn)時(shí)，骨骼層的阻抗貢獻(xiàn)率仍然很低，而皮膚層的阻抗貢獻(xiàn)率有所增加，但綜合占比仍較低，脂肪和肌肉層的阻抗貢獻(xiàn)率仍占主要權(quán)重。根據(jù)sEIM 的電極配置的靈敏度分布可能會(huì)獲得負(fù)靈敏度區(qū)域［15］，以及小鼠肌肉結(jié)締組織浸潤發(fā)生在負(fù)阻抗敏感性區(qū)域［16］，負(fù)阻抗靈敏度可用于解釋肌肉患病狀態(tài)阻抗值的變化。在本仿真中，出現(xiàn)負(fù)值阻抗與電極配置方式、σ和ε等設(shè)置有關(guān)。因此，針對(duì)sEIM測得阻抗值主要來源于脂肪和肌肉層，可忽略骨骼層的貢獻(xiàn)，而皮膚層厚度較薄，其貢獻(xiàn)較低，可忽略或歸入為脂肪層貢獻(xiàn)。因此，可將sEIM測得的阻抗混合信號(hào)簡化為僅由脂肪和肌肉層貢獻(xiàn)的阻抗值。

表2 各組織層阻抗對(duì)總阻抗的貢獻(xiàn)情況Table 2 Contribution of each tissue layer impedance to the total impedance

1.2 肌肉層阻抗分離法

將sEIM 測得阻抗混合信號(hào)看作盲信號(hào)，而肌肉層阻抗值作為源信號(hào)，則肌肉層阻抗值的提取即為盲源分離問題。盲源分離方法已被廣泛應(yīng)用于生物醫(yī)學(xué)信號(hào)處理［17-18］、聲音處理［19-20］和工業(yè)應(yīng)用［21］。典型的盲源分離算法有獨(dú)立成分分析法（ICA）、主成分分析法（PCA）、等變化自適應(yīng)獨(dú)立分離法（EASI）等［19-21］。ICA 是一種用于將多元信號(hào)分離為加性子分量的計(jì)算方法，可采用信息論迭代算法或統(tǒng)計(jì)學(xué)代數(shù)方法，如FastICA 算法、Infomax算法和最大似然估計(jì)算法等。PCA 是一種常見的無監(jiān)督學(xué)習(xí)方法，通過正交變化將相關(guān)的混合信號(hào)轉(zhuǎn)換成一組線性無關(guān)的信號(hào)（即主成分），主成分在很大程度上可以體現(xiàn)原本信號(hào)的特征。EASI 是一種基于相對(duì)梯度的迭代算法，可同時(shí)進(jìn)行去除高階相關(guān)與白化，以省略對(duì)混合信號(hào)的預(yù)處理步驟，通過優(yōu)化分離矩陣來估計(jì)源信號(hào)。

sEIM 不同的電極排列方式和激勵(lì)信號(hào)會(huì)影響組織參數(shù)及測量值，通過引入肌肉層的橫向和縱向電阻率與電抗率之間的各向異性比，依據(jù)混合方式尋求相匹配的分離算法，從而獲取肌肉和脂肪的阻抗值［17］，分離模型等效為

式中，S是混合模型，k是脂肪和肌肉層的阻抗源信號(hào)，Z是包含這兩層組織的阻抗混合信號(hào)。

假設(shè)在S是未知的前提下，式（1）的解可表述為

式中，W是未知的解混矩陣，k'是估計(jì)的源信號(hào)。

基于此可構(gòu)建對(duì)不同電極配置下采集的阻抗混合信號(hào)成分的分離模型，該模型的求解結(jié)構(gòu)如圖3所示，M為電極配置模式，ω為角頻率，F(xiàn)為頻率，分離的各組織層阻抗值用電阻率ρ和電抗率τ表示，下角標(biāo)f、m 分別代表脂肪和肌肉。實(shí)現(xiàn)分離過程至少需要采集兩種電極配置方式下的阻抗混合信號(hào)Z，通過分離模型最小化處理和解混矩陣W分離得到脂肪層的、和肌肉層的、等。

圖3 阻抗混合信號(hào)分離模型求解示意圖Fig.3 Schematic diagram of the solution for the impedance mixed signals separation model

2 仿真評(píng)估

2.1 評(píng)估指標(biāo)

由式（1）可知，阻抗混合信號(hào)Z是混合模型S和脂肪、肌肉的阻抗源信號(hào)k的乘積，通過不同的電極配置方式，可獲取混合模型S的具體參數(shù)。在Matlab 中，將肌肉和脂肪的阻抗源信號(hào)k與混合模型S相乘，得到阻抗混合信號(hào)Z。假定混合模型S未知，利用ICA、PCA、EASI算法對(duì)阻抗混合信號(hào)進(jìn)行分離評(píng)估。為選取到合適的分離算法，用于分離出sEIM 阻抗混合信號(hào)中肌肉層的阻抗值，采用相關(guān)性（s）、抗噪性能和串音誤差（ECT，eCT）指標(biāo)來評(píng)估各算法的有效性。根據(jù)混合信號(hào)的特征，為便于在ETC 中評(píng)估3 種算法的迭代性能，ICA 算法采用基于信息論準(zhǔn)則的FastICA。

通過式（2）分離出估計(jì)源信號(hào)k'，將估計(jì)源信號(hào)k'和阻抗源信號(hào)k的變化趨勢進(jìn)行對(duì)比，二者波形相關(guān)性為

在評(píng)價(jià)算法分離效果時(shí)，s值越大，表示分離效果越好，算法的性能越佳。

通過在阻抗混合信號(hào)Z中加入高斯白噪聲n來模擬現(xiàn)實(shí)中測量的噪聲。即在式（1）中加入零均值的高斯白噪聲n，使得阻抗混合信號(hào)Z的信噪比（SNR，γ）在10～40dB 范圍內(nèi)，再將含噪混合信號(hào)通過算法分離，結(jié)合相關(guān)性分析其性能。SNR為

串音誤差從全局矩陣評(píng)估不同算法對(duì)信號(hào)分離的徹底性，其表達(dá)式為

式中，Cij是全局矩陣C的第（i，j）個(gè)元素。在理想情況下，ECT達(dá)到最小值0，阻抗混合信號(hào)實(shí)現(xiàn)完全分離，估計(jì)的源信號(hào)與阻抗源信號(hào)一致。因此，ECT值越小，信號(hào)分離越徹底，分離算法性能越可靠。

2.2 評(píng)估結(jié)果

各組織層電阻率和電抗率的分離相關(guān)系數(shù)如表3 所示。從表中可知：ICA 和PCA 分離脂肪層的電阻率相關(guān)性較好（相關(guān)系數(shù)分別為0.859 和0.909），對(duì)脂肪層的電抗率分離相關(guān)性一般（相關(guān)系數(shù)分別為0.676、0.636）；ICA 和PCA 對(duì)肌肉層電阻率和電抗率的分離相關(guān)系數(shù)均小于0.4，無法滿足對(duì)sEIM 肌肉層阻抗分離的需求；EASI 對(duì)肌肉層和脂肪層的電阻率、電抗率分離相關(guān)性較佳，肌肉層分離相關(guān)系數(shù)都在0.98 以上，脂肪層分離相關(guān)系數(shù)高于0.86，表明EASI 具備分離各組織層電阻率和電抗率的潛力。

表3 3種算法對(duì)各組織層電阻率和電抗率的分離相關(guān)系數(shù)Table 3 Correlation coefficients for the separation of resistivity and reactivity of each tissue layer by three algorithms

噪聲對(duì)各算法分離阻抗的影響如圖4所示。從圖中可知：EASI 在噪聲條件下，對(duì)脂肪層、肌肉層的電阻率和電抗率分離相關(guān)系數(shù)在不同SNR下相對(duì)趨于穩(wěn)定，對(duì)肌肉層的電阻率和電抗率分離相關(guān)系數(shù)約為0.8，對(duì)脂肪層的電阻率分離相關(guān)系數(shù)接近0.8，對(duì)脂肪層電抗率的分離相關(guān)系數(shù)在0.55附近；ICA 和PCA 對(duì)脂肪層、肌肉層的電阻率和電抗率分離相關(guān)系數(shù)較差，只有PCA對(duì)脂肪層的電阻率分離相關(guān)系數(shù)約為0.5，有一定的有效性，其余分離相關(guān)系數(shù)小于0.3，無法分離出有效的電阻率和電抗率。這表明EASI 的抗噪性較好，在噪聲環(huán)境下，仍能有效地分離肌肉層的電阻率和電抗率。

圖4 噪聲對(duì)各算法分離阻抗的影響Fig.4 Influence of noise on the separation impedance of each algorithm

3 種算法的串音誤差比較如圖5 所示。從圖中可知，隨迭代次數(shù)的增加，EASI 的ECT 有小范圍波動(dòng)，當(dāng)?shù)螖?shù)大于500后，ECT 穩(wěn)定在0.876，而ICA 和PCA 的ECT 一直分別穩(wěn)定為6.625 和10.442，表明EASI對(duì)阻抗混合信號(hào)的分離較徹底，而ICA和PCA相對(duì)較差。

圖5 3種算法的ECT比較Fig.5 Comparison of ECT among three algorithms

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)方案

肌肉疲勞是肌肉反復(fù)工作下做功能力下降的體現(xiàn)，也是一種短暫的肌肉失衡現(xiàn)象。因此，以托舉啞鈴方式誘發(fā)肌肉疲勞，sEIM 測量疲勞后手臂肱二頭肌的阻抗值，并進(jìn)行肌肉層阻抗值分離，結(jié)合肌肉疲勞后的超聲圖像來驗(yàn)證分析本文方法的合理性。志愿者選擇標(biāo)準(zhǔn)為：身體健康，實(shí)驗(yàn)前24h內(nèi)無劇烈運(yùn)動(dòng)，無肌肉損傷等疾病，右利手且志愿者間右手臂肱二頭肌處的脂肪和肌肉厚度無較大差異。實(shí)驗(yàn)前，收集志愿者基本信息；然后測量志愿者右手臂最大自主收縮力（MVC），以MVC 的30%作為其托舉啞鈴負(fù)荷質(zhì)量；隨后讓志愿者右手臂托舉啞鈴做負(fù)荷運(yùn)動(dòng)，直至無法運(yùn)動(dòng)，結(jié)束運(yùn)動(dòng)時(shí)立即按四電極排列模式測量其右手臂肱二頭肌處的sEIM，同時(shí)用超聲采集志愿者右手臂肱二頭肌處圖像，以評(píng)估志愿者該處的肌肉狀態(tài)；最后，采用本文方法對(duì)志愿者的sEIM 數(shù)據(jù)進(jìn)行處理。

3.2 實(shí)驗(yàn)對(duì)象

根據(jù)入選標(biāo)準(zhǔn)，選擇3 名平均年齡為25.7 歲、平均身高為169.7cm、平均體質(zhì)量為65.8kg 的青年男性志愿者參與本次實(shí)驗(yàn)，所有志愿者均知曉實(shí)驗(yàn)內(nèi)容且同意。志愿者信息如表4所示。

表4 志愿者信息Table 4 Volunteer information

3.3 數(shù)據(jù)采集過程

如圖6所示，將肌力測量儀（AIKOH RZ-50）固定在定制鐵板上，志愿者筆直站立在定制鐵板旁，右手掌通過一根無彈性繩與肌力測量儀相連，并保持右臂肘關(guān)節(jié)角度為90°，左臂自然下垂。在上位機(jī)軟件RZ3000設(shè)置實(shí)時(shí)監(jiān)測為30s，采樣頻率為1kHz，測量精度為0.01N，志愿者每一“發(fā)力-休息”計(jì)為一個(gè)周期，發(fā)力2s，休息6s，完成3 個(gè)測量周期，取每位志愿者3個(gè)測量周期的手臂肌力平均值。

圖6 MVC測量裝置Fig.6 MVC measurement device

如圖7所示，以志愿者右手臂肱二頭肌為中心位置，酒精棉片擦拭清除皮膚表面污垢，將理療黏貼電極按圖2排列方式貼于皮膚表面，把表面肌電儀（TrignoTMLab）的角度傳感器用醫(yī)用膠帶固定在手臂上，鱷魚夾將電流和電壓電極連接到人體組成測定分析儀（IMPTMSFB7）裝置，設(shè)置測量頻率為3kHz～1MHz，頻點(diǎn)為250，讓志愿者右手臂托舉30% MVC重的啞鈴，進(jìn)行肌肉動(dòng)態(tài)收縮負(fù)荷運(yùn)動(dòng)，志愿者上臂與下臂的夾角初始狀態(tài)為180°，記肘關(guān)節(jié)角度從180°到45°再重新回到180°為一組。志愿者每做12組肘伸縮動(dòng)作，休息15s，直至無法負(fù)重為止。負(fù)荷運(yùn)動(dòng)結(jié)束，點(diǎn)擊人體組成測定分析儀的“measure”鍵測量并保存sEIM。

圖7 肱二頭肌sEIM采集裝置Fig.7 Biceps sEIM acquisition device

如圖8所示，志愿者平躺在實(shí)驗(yàn)用床上，全身自然放松，經(jīng)專業(yè)醫(yī)師采用EPIQ5彩色超聲診斷系統(tǒng)，設(shè)置超聲探頭掃描深度為4cm，中心頻率為6.9MHz，在志愿者右手臂肱二頭肌上方且垂直于肌纖維方向，其走向平行于肌纖維方向，采集肱二頭肌處的超聲圖像。

圖8 肱二頭肌超聲圖像采集裝置Fig.8 Biceps ultrasound image acquisition device

3.4 實(shí)驗(yàn)結(jié)果分析

托舉啞鈴運(yùn)動(dòng)后，測得3 名志愿者的sEIM 數(shù)據(jù)，經(jīng)ICA、PCA和EASI分離出的肌肉層電阻率和電抗率如圖9所示。由1.1節(jié)可知，人體組織在低頻時(shí)呈現(xiàn)電阻性為主，中高頻時(shí)呈現(xiàn)阻容性。根據(jù)生物組織中介電弛豫的麥克斯韋-瓦格納極化機(jī)制，肌肉電阻率的變化趨勢必定隨頻率的增加單調(diào)遞減。從圖9（a）可知：EASI分離的3名志愿者肌肉層電阻率隨頻率的增加而遞減；ICA分離的志愿者1和2的肌肉層電阻率整體上隨頻率的增加而減小，但志愿者3的肌肉層電阻率卻隨頻率的增加呈現(xiàn)先減小后變大再減小的趨勢；PCA 分離的3 名志愿者的肌肉層電阻率，隨頻率的增加表現(xiàn)為類余弦變化趨勢。生物組織的電抗率在低頻時(shí)，受細(xì)胞膜的阻礙而相當(dāng)于斷路，電抗率主要由細(xì)胞外液貢獻(xiàn)而較小，但隨著頻率的增加，電流將逐漸穿過細(xì)胞膜，流經(jīng)細(xì)胞內(nèi)液，此時(shí)電抗率由細(xì)胞內(nèi)、外液和細(xì)胞膜共同貢獻(xiàn)而變大，隨著頻率的進(jìn)一步變大，細(xì)胞所呈現(xiàn)的容性阻抗，對(duì)電流的阻礙將變小，電抗率變小。從圖9（b）可知：EASI分離出的3名志愿者的肌肉層電抗率變化與人體組織阻抗特性一致，且志愿者間的變化趨勢相同，均為隨著頻率的增加先變大后減??；ICA 和PCA 分離出的3 名志愿者的肌肉層電抗率變化趨勢不具有重復(fù)性，隨頻率的增加，電抗率的變化顯得雜亂，且不符合人體組織的阻抗特性。

圖9 3 名志愿者經(jīng)ICA、PCA、EASI 分離的肌肉層電阻率和電抗率Fig.9 Resistivity and reactance rate of muscle layer of three volunteers separated by ICA， PCA and EASI

實(shí)驗(yàn)測得3 名志愿者的MVC 分別為177.90、163.97、142.57N。通過超聲系統(tǒng)自帶測距功能，以皮膚與脂肪臨界處為頂端，脂肪與肌肉臨界處為底端，頂端與底端垂直間距為脂肪厚度，測得3志愿者的皮下脂肪厚度分別為0.465、0.410、0.429cm。然后將超聲圖像保存為JPEG文件，利用Adobe Photoshop CC 2018 套索工具手動(dòng)選取肱二頭肌區(qū)域，通過直方圖工具測量肱二頭肌區(qū)域的量化平均灰度值GSL分別為87.29、83.41、82.07。

綜合2.2 節(jié)ICA、PCA 和EASI 算法分離出的sEIM 阻抗混合信號(hào)中肌肉層阻抗值的仿真結(jié)果可知，在噪聲環(huán)境下，EASI對(duì)肌肉層電阻率和電抗率的分離相關(guān)系數(shù)仍達(dá)0.8以上，且對(duì)阻抗混合信號(hào)的分離較徹底，均優(yōu)于ICA 和PCA。從實(shí)驗(yàn)驗(yàn)證結(jié)果可知，3名志愿者在同樣的托舉啞鈴運(yùn)動(dòng)條件下，超聲圖像顯示3名志愿者肱二頭肌處的皮下脂肪厚度相似，肱二頭肌的GSL值在同一范圍內(nèi)，采用肌肉層阻抗分離法分離出的志愿者的肌肉層電阻率和電抗率變化應(yīng)具有相似性，而人體組織在低頻時(shí)呈現(xiàn)電阻性為主，中高頻時(shí)呈現(xiàn)阻容性，圖9 表明，3種算法中，只有EASI分離的肌肉層電阻率和電抗率變化符合人體組織阻抗特性，且3名志愿者間的變化趨勢一致，具有重復(fù)性。因此，綜合超聲圖像數(shù)據(jù)和人體組織阻抗特性可知，采用EASI 的肌肉層阻抗分離法是一種可靠的sEIM分離方法。

4 結(jié)語

肌肉層阻抗值可反映肌肉失衡和肌肉疾病程度、進(jìn)展與治療反應(yīng)狀況，作為康復(fù)治療跟蹤的標(biāo)志物，分離的肌肉層阻抗值對(duì)于顯著提升sEIM 檢測目標(biāo)的肌肉狀態(tài)變化敏感性，具有較大的意義。針對(duì)sEIM 獲取的皮下多層組織阻抗混合信號(hào)對(duì)肌肉狀態(tài)變化敏感性不高的問題，本文提出了一種將阻抗等效分析和盲源分離相結(jié)合的sEIM 肌肉層阻抗分離方法。以人體阻抗特性為基礎(chǔ)，構(gòu)建肢體多層圓柱體模型，經(jīng)有限元仿真靈敏度分析sEIM 中各組織層的阻抗貢獻(xiàn)，進(jìn)一步簡化為針對(duì)脂肪和肌肉層阻抗混合信號(hào)的盲源分離；進(jìn)而通過數(shù)值仿真和在體實(shí)驗(yàn)，比較ICA、PCA和EASI算法的分離效果，結(jié)合超聲圖像對(duì)照獲得最優(yōu)算法并驗(yàn)證其可行性。結(jié)果表明，采用EASI 的肌肉層阻抗分離方法能夠較好地分離sEIM中肌肉層阻抗值。

由于本文僅針對(duì)健康志愿者開展肌阻抗盲源分離的初步探索，并未針對(duì)神經(jīng)肌肉疾病開展臨床對(duì)照研究。因此，今后將開展面向肌肉失衡康復(fù)評(píng)測和神經(jīng)肌肉疾病輔助診斷的對(duì)照評(píng)估研究。同時(shí)，得益于人工智能的發(fā)展，深度學(xué)習(xí)已被應(yīng)用于盲源分離等問題的研究，并在語音信號(hào)分離、音樂源分離和特高壓故障識(shí)別等領(lǐng)域取得了較佳的效果。未來也將開展結(jié)合深度學(xué)習(xí)的肌阻抗盲源分離的模型訓(xùn)練的研究。